Kerr Soliton Generation in Ultra-Compact Photonic Devices
超紧凑光子器件中的克尔孤子产生
专题命中 激光雷达 ：LiDAR(abstract)
AI总结 本文在紧凑螺旋微谐振器中实现了确定性和高稳定的克尔孤子梳，间距低至16 GHz，并通过快速反馈回路克服热不稳定性，实现孤子态的稳定和控制。
视觉与机器人
自动驾驶
自动驾驶感知、规划、BEV、占用预测、激光雷达和仿真评测。
1. 激光雷达 133 篇
Shigatse Astronomical Site Testing. I. Cloud-cover Climatology and Selected Local Meteorological Conditions
日喀则天文台址测试. I. 云量气候学与选定的局部气象条件
专题命中 激光雷达 ：LiDAR(abstract)
AI总结 基于多源数据评估西藏南部日喀则40米台址的云量及气象条件，发现其具有中低年云量、10月至5月为低云季，可作为中国台址测试网络中的低纬度南部高原云量参考。
Comments Submitted to Research in Astronomy and Astrophysics
2. 多传感器融合 17 篇
Horizon3D: Sparse Radar-Camera Fusion for Long-Range 3D Perception in Autonomous Driving
Horizon3D: 用于自动驾驶远距离3D感知的稀疏雷达-相机融合
机构 * Seoul National University（首尔大学）
专题命中 多传感器融合 ：BEV(summary_cn,abstract)；autonomous driving(title,abstract)；分类 cs.CV
AI总结 提出Horizon3D框架，通过高斯原语与稀疏BEV特征融合，结合双路径时序融合，实现远距离雷达-相机3D检测，在TruckScenes上达到SOTA性能。
Comments Accepted to ECCV 2026. Project page: https://geonhobang.github.io/horizon3d-project-page. Code: https://github.com/geonhobang/ECCV2026_Horizon3D
CRUISE: Vision-Language Model-Guided Uncertainty-Aware Cross-Modal Sensor Fusion for Robust Autonomous Driving
CRUISE：面向鲁棒自动驾驶的视觉语言模型引导的不确定性感知跨模态传感器融合
机构 * University of California, Irvine（加利福尼亚大学欧文分校）
专题命中 多传感器融合 ：autonomous driving(title)；LiDAR(abstract,abstract_cn)；分类 cs.AI
AI总结 针对现有不确定性感知融合方法泛化性差的问题，提出CRUISE框架，结合VLM引导的UQ模块与动态自适应机制，实现鲁棒的自动驾驶跨模态传感器融合。
Ultra-Fusion: A Resilient Tightly-Coupled Multi-Sensor Fusion SLAM Framework under Sensor Degradation and Spatiotemporal Perturbation for Intelligent Transportation Systems
Ultra-Fusion：面向传感器退化与时空扰动下智能交通系统的鲁棒紧耦合多传感器融合SLAM框架
机构 * Beijing Institute of Technology（北京理工大学） ； Chongqing University（重庆大学） ； Sichuan University（四川大学） ； Northwestern Polytechnical University（西北工业大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 多传感器融合 ：LiDAR(summary_cn,abstract)；分类 cs.RO
AI总结 提出Ultra-Fusion紧耦合多传感器融合SLAM框架，通过可观测性感知初始化、因子级可靠性调度和在线LiDAR-IMU时空标定，在传感器退化与时空扰动下实现鲁棒定位，在多种平台和基准上验证了高精度与可用性。
Comments 19 pages
Edge-Assisted Multimodal UAV Localization with Resource-Efficient Compression and Robust Fusion
基于资源高效压缩和鲁棒融合的边缘辅助多模态无人机定位
专题命中 多传感器融合 ：LiDAR(summary_cn,abstract)
AI总结 设计多模态无人机定位框架，利用相机、LiDAR和雷达传感模态。通过信息瓶颈压缩等模块应对传感节点资源有限、数据差异大及模态数据退化缺失等挑战，实验表明该框架能准确可靠定位无人机。
CLIFE: Camera-LiDAR Fusion Framework for Edge-Deployable Roadside VRU Perception
CLIFE：用于边缘可部署路边VRU感知的相机-激光雷达融合框架
专题命中 多传感器融合 ：LiDAR(title,abstract)；分类 cs.CV
AI总结 针对路边VRU感知难题，提出CLIFE框架，集成无目标在线校准与轻量级后期融合跟踪于单嵌入式设备，无需云卸载。经实验验证，该框架提升了传感器感知能力与鲁棒性，核心运行高效，为下游安全应用提供基础并减少相关开销。
Comments Accepted for publication at the 2026 IEEE 29th International Conference on Intelligent Transportation Systems (ITSC 2026). 8 pages, 7 figures
LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design
LLM赋能的自动驾驶多模态融合框架：语义增强与信道自适应设计
机构 * National Natural Science Foundation of China（国家自然科学基金） ； Shenzhen Natural Science Foundation（深圳市自然科学基金） ； Shenzhen Key Laboratory Evaluation（深圳市重点实验室评估）
专题命中 多传感器融合 ：autonomous driving(title,abstract)；分类 cs.CV
AI总结 提出LM-SCIP框架，以LLM为核心推理中枢，通过信道自适应语义模块动态融合视觉与雷达特征，实现低信噪比下的视觉主导回退和高信噪比下的协同融合，在nuScenes和VIRAT数据集上显著提升定位精度。
Comments 6 pages, 4 figures. Accepted by 2026 IEEE 37th International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC)
STAR-VLM: Spatiotemporal Grounding Vision-Language Models for Motion and Velocity Estimation via Automotive Radar Supervision
STAR-VLM：基于汽车雷达监督的时空视觉语言模型，用于运动与速度估计
机构 * University of Michigan（密歇根大学）
专题命中 多传感器融合 ：LiDAR(abstract,abstract_cn)；autonomous driving(abstract)；分类 cs.RO、cs.CV
AI总结 该研究提出STAR-VLM框架，利用汽车雷达监督提升时空视觉语言模型的运动推理与度量速度估计能力，在驾驶场景相关任务上实现了优于特定任务方法的最先进性能。
Radar4D-VLM: Proposal-Grounded Temporal 4D Radar Reasoning Across Frozen Language Models
Radar4D-VLM：基于提议的跨冻结语言模型的时序4D雷达推理
专题命中 多传感器融合 ：autonomous driving(abstract)；LiDAR(abstract)；分类 cs.CV
AI总结 本文提出仅用雷达的时序视觉-语言模型Radar4D-VLM，结合提议的时序目标标记等，在K-Radar验证集上表现优异，且雷达标记接口兼容多款冻结语言骨干，为雷达多模态推理奠定基础。
RICH-SLAM: Radar SLAM with Incremental and Continuous Hilbert Mapping
RICH-SLAM：基于增量连续希尔伯特映射的雷达SLAM
机构 * State Key Laboratory of Ocean Sensing, Zhejiang University（浙江大学海洋传感国家重点实验室） ； Interdisciplinary Student Training Platform for Marine areas, Zhejiang University（浙江大学海洋交叉学科学生培养平台） ； Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） ； School of AI and Robotics, Hunan University（湖南大学人工智能与机器人学院） ； Ocean College, Zhejiang University（浙江大学海洋学院） ； Institute of Deep-Sea Science and Engineering, Chinese Academy of Sciences（中国科学院深海科学与工程研究所）
专题命中 多传感器融合 ：LiDAR(abstract)；occupancy(abstract)；分类 cs.RO
AI总结 提出RICH-SLAM框架，采用Rao-Blackwellized粒子滤波后端和增量希尔伯特空间降秩高斯过程映射，从稀疏雷达测量中构建连续占用地图，并支持不确定性感知规划。
Comments 12 figures
RbFT-Net: Rectify-Before-Fuse Temporal Radar Anchors for 4D Radar-Camera Depth Completion
RbFT-Net：用于4D雷达-相机深度补全的融合前校正时间雷达锚点
专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.CV
AI总结 本文提出RbFT-Net框架，通过图像条件校正模块校正雷达锚点并选择性传播，解决雷达测量的稀疏与干扰问题，在相关数据集上的深度补全性能优于对比方法。
What Irregularity Costs: CUDA C++, Rust, and Triton on a Hash-Blocked GPU Workload
非规则性的代价：哈希阻塞GPU工作负载上的CUDA C++、Rust与Triton
机构 * Spacial Intelligence Labs（空间智能实验室）
专题命中 多传感器融合 ：occupancy(abstract)；分类 cs.CV
AI总结 该研究对比了CUDA C++、Rust、Triton在哈希阻塞GPU工作负载上的性能，发现规则阶段三者性能接近，非规则阶段Triton慢一个数量级，Rust接近CUDA，还分析了性能差异原因并修复了cuda-oxide的一个缺陷。
Comments 23 pages, 5 figures, 4 tables. Includes a correctness result for TSDF fusion implementations: at hash load factors reached by ordinary depth trajectories, the Triton implementation silently discards blocks. Code, raw measurement CSVs and an interactive viewer: https://github.com/realitymatrix/what-irregularity-costs
DerainSplat: Feed-Forward Clean 3D Gaussian Splatting from Sparse Rainy Views
DerainSplat：基于稀疏雨天视图的前馈式干净3D高斯溅射重建
专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV
AI总结 DerainSplat是一种前馈框架，可从少量雨天视图重建干净3D场景，通过四阶段合成数据集与天气网络等设计，在多类数据集上优于现有方法且泛化性强。
Dense Soft Weighting for Radar Ego-Velocity Estimation
用于雷达自速度估计的密集软加权方法
机构 * Imperial College London（帝国理工学院）
专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO
AI总结 针对视觉退化环境中雷达自速度估计的传统CFAR方法易丢失有效线索的问题，提出密集软加权雷达前端，结合鲁棒加权最小二乘估计自速度，在多数据集上显著降低位姿误差且可实时运行。
Comments Submitted to
DiffRadar: Differentiable Physics-Aware Radar SLAM with Gaussian Fields
DiffRadar：基于高斯场的可微物理感知雷达SLAM
机构 * Clemson University（克莱姆森大学）
专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO
AI总结 研究针对现有雷达SLAM系统不足，提出DiffRadar，将雷达观测建模为可微高斯场，通过可微雷达前向模型联合优化位姿与场景结构，经实验验证该方法能显著提升轨迹精度、地图一致性并保持实时性能。
Millimeter Wave Radar: From Synthetic Aperture to Probabilistic Mapping
毫米波雷达：从合成孔径到概率地图
机构 * School of Computer Science, Robotics Institute, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所）
专题命中 多传感器融合 ：occupancy(abstract)；分类 cs.RO
AI总结 针对毫米波雷达数据创建概率地图的挑战，建立从原始信号到概率占用地图的完整流程，含合成孔径雷达处理与概率建模，经室内验证、性能分析及参数研究，展示方法有效性与局限性，并贡献开源数据集及处理管道。
Sparse4D-Radar: An Efficient and Robust Framework for Surround-View 3D Object Detection via 4D Radar-Camera Fusion
Sparse4D-Radar：一种通过4D雷达-相机融合实现高效且稳健的环视3D目标检测框架
机构 * State Key Laboratory of Ocean Sensing and Ocean College, Zhejiang University（浙江大学海洋传感与海洋学院海洋传感技术国家重点实验室） ； Engineering Research Center of Oceanic Sensing Technology and Equipment, Ministry of Education, Zhejiang University（浙江大学海洋传感技术与装备教育部工程研究中心） ； Donghai Laboratory（东海实验室） ； Ocean College, Institute of Marine Electronics and Intelligent Systems, Zhejiang University（浙江大学海洋学院海洋电子与智能系统研究所）
专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV
AI总结 针对4D成像雷达在环视感知缺乏成熟方案的问题，提出Sparse4D-Radar框架。设计可变形融合模块等，经实验验证该框架在环视3D检测性能上达先进水平，兼顾精度、鲁棒性与效率。
Comments 13 pages, 6 figures
Calibrated Tree-Neural Fusion for Fine-Grained Vegetation Community Classification
用于细粒度植被群落分类的校准树神经融合
机构 * School of Information Technology and Engineering, Sydney Metropolitan Institute of Technology (SydneyMet)（悉尼都会理工学院信息技术与工程学院） ； Department of Electrical & Electronic Engineering, Rajshahi University of Engineering & Technology（拉杰沙希工程技术大学电气与电子工程系） ； School of Computing, Mathematics and Engineering, Charles Sturt University（查尔斯·斯特尔特大学计算、数学与工程学院）
专题命中 多传感器融合 ：LiDAR(abstract)
AI总结 该研究针对植被群落分类问题，提出Calibrated EcoTreeFuseNet-Plus框架，结合多种方法进行融合，在小样本、细粒度生态分类中实现了可靠的判别校准权衡，取得较好准确率等指标且性能稳定。
3. 仿真评测 84 篇
VLGA: Vision-Language-Geometry-Action Models for Autonomous Driving
VLGA：用于自动驾驶的视觉-语言-几何-动作模型
机构 * Uber AV Labs（Uber自动驾驶实验室） ； University of Virginia（弗吉尼亚大学）
专题命中 仿真评测 ：autonomous driving(title)；LiDAR(abstract,abstract_cn)；分类 cs.RO、cs.CV
AI总结 提出VLGA模型，通过引入几何作为第四模态，利用逐像素点图回归损失监督，实现密集3D世界重建，在nuScenes和Bench2Drive上达到SOTA。
Comments Project page: https://yaojin17.github.io/VLGA/
Self-Driving Negotiator: An interactive, verifiable benchmark for social negotiation and theory of mind under hidden intent
自动驾驶谈判者：一个在隐藏意图下进行社会谈判和心理理论的交互式可验证基准
机构 * Owl Autonomous Imaging, Inc（Owl 自动成像公司）
专题命中 仿真评测 ：self-driving(title,abstract)；autonomous driving(abstract)；分类 cs.RO
AI总结 提出一个文本多轮程序化生成环境，用于衡量自动驾驶中基于隐藏意图推断的隐式社会协调能力，通过特权模拟器状态计算奖励和诊断，当前最佳模型平均成功率仅0.68。
Creating Impactful Autonomous Driving Datasets: A Strategic Guide from Research Gap to Benchmark
创建有影响力的自动驾驶数据集：从研究空白到基准的战略指南
机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（FZI信息技术研究中心）
专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 提出一种诊断研究问题类型并选择最小数据操作符填补空白的战略框架，通过KITScenes案例验证，指导中小实验室和初创公司高效创建有影响力的自动驾驶数据集。
Comments Keywords: Autonomous Driving, Dataset Design, Benchmarks, Research Gap Identification. 14 pages, 3 figures
Cam2Sim: Neural Scenario Reconstruction for Closed-Loop Autonomous Driving Simulation
Cam2Sim：用于闭环自动驾驶模拟的神经场景重建
专题命中 仿真评测 ：autonomous driving(title,abstract)；end-to-end driving(abstract)
AI总结 为解决合成模拟器输出与真实相机观测差距问题，提出Cam2Sim工具，从相机图像和姿态重建多种元素，用高斯溅射增强环境，支持多环节，验证表明其缩小视觉差距并提升行为相似度。
Comments In proceedings of the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE '26) - Tools and Datasets track
DriveJudge: Rethinking Autonomous Driving Evaluation with Vision-Language Models
DriveJudge: 用视觉-语言模型重新思考自动驾驶评估
机构 * NVIDIA（英伟达）
专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 提出DriveJudge，结合规则评估与VLM推理，通过选择性调用物理规则函数实现可解释且上下文感知的驾驶评估，在驾驶质量分类和轨迹偏好选择任务上超越现有方法。
Comments Under Review
Chat2Scenic: An Iterative RAG-Based Framework for Scenario Generation in Autonomous Driving
Chat2Scenic：一种基于迭代检索增强生成的自动驾驶场景生成框架
机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所） ； University College London（伦敦大学学院）
专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI
AI总结 研究自动驾驶场景生成难题，提出Chat2Scenic这一基于迭代检索增强生成的框架，通过聊天机器人界面及RAG技术生成DSL场景脚本，构建开放基准，评估结果显示其性能优于现有方法。
Comments Accepted at 2026 IEEE International Conference on Intelligent Robots and Systems (IROS)
OmniSCS: Omni Safety-Critical Scenario Synthesis for Autonomous Driving via a Fully Editable Driving World
OmniSCS：通过完全可编辑的驾驶世界实现自动驾驶的全场景安全关键场景合成
专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI
AI总结 研究针对自动驾驶安全关键场景合成难题，提出OmniSCS系统，通过完全可编辑驾驶世界构建和SCS合成两个模块，保持数据保真度，在多数据集实验中表现出色，能增强算法并支持实时闭环测试，为SCS优化测试提供高效方案。
CARLA-GS: Decoupling Representation, Reasoning, and Physics Simulation for Autonomous Driving Corner-Case Synthesis
CARLA-GS：用于自动驾驶极端情况合成的解耦表示、推理和物理模拟
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院）
专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI
AI总结 研究自动驾驶极端情况合成问题，提出CARLA-GS模块化管道，解耦视觉表示、语义推理和物理执行并保持跨模块耦合，能从实际驾驶数据生成可编辑场景，经多智能体大语言模型推理等步骤，实现可控生成及逼真、时空一致的视频。
VLM-CASE: Vision-Language Model Enabled Context-Adaptive Safety Envelopes for Anticipatory Safe Autonomous Driving
VLM-CASE：面向前瞻安全自动驾驶的视觉语言模型赋能上下文自适应安全包络
机构 * Department of Civil and Environmental Engineering, The Pennsylvania State University（宾夕法尼亚州立大学土木与环境工程系） ； Department of Civil Engineering, Stony Brook University（石溪大学土木工程系）
专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV
AI总结 针对恶劣工况下自动驾驶感知与性能退化、仅能事后响应的问题，提出基于微调VLM的上下文自适应安全包络框架，实现前瞻安全控制，在多场景仿真中性能优于基线方法。
Agent-driven Long-tail Simulation for Autonomous Driving
用于自动驾驶的智能体驱动长尾模拟
机构 * IIIS, Tsinghua University（清华大学交叉信息研究院） ； Bosch Research（博世研究院）
专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV
AI总结 针对现有自动驾驶模拟器局限性，提出智能体驱动模拟框架，通过结构化动作接口由大语言模型控制道路参与者，还引入SemanticPlan基准测试，结果表明长尾场景仍具挑战性。
Scenario Generation for Testing of Autonomous Driving Systems Using Real-World Failure Records
利用真实世界故障记录生成自动驾驶系统测试场景
机构 * Massachusetts Institute of Technology（麻省理工学院）
专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI
AI总结 提出一种基于LLM的场景生成流程，利用历史故障记录中的分类和上下文信息，生成多样化测试场景，在Metadrive模拟器上验证了方法的准确性和多样性。
Comments 9 pages, Appendix included. Paper accepted and presented at NeuS 2026
